ในปีที่ผ่านมา การพูดคุยเกี่ยวกับ วิศวกรรมเชิงตัวแทน (Agentic Engineering) ได้เคลื่อนไปที่ สายรัด (Harnesses) และ ลูป (Loops), กองเรือ (Fleets) และ โรงงานซอฟต์แวร์ (Software Factories) ความเห็นส่วนตัวของผมคือ วิศวกรจำเป็นต้อง เป็นเจ้าของลูปภายนอก (Outer Loop) ซึ่งก็คือ ความรับผิดชอบ (Accountability) ต่อระบบเหล่านี้ สิ่งนี้จะยิ่งเป็นจริงมากขึ้นเมื่อโมเดลที่ทรงพลังอย่าง Fable และ GPT-5.6 พร้อมใช้งาน
ตัวแทน (Agents) มีอำนาจต่อรอง (Leverage) และอำนาจต่อรองก็สร้างพันธะผูกพัน ใครสักคนจะต้องสามารถอธิบายได้อย่างชัดเจนว่ามีอะไรเปลี่ยนแปลงไปบ้าง ทำไมมันถึงปลอดภัย และจะเกิดอะไรขึ้นหากพวกเขาคิดผิด มิเช่นนั้นแล้ว การกระทำของพวกเขาก็ไม่สามารถให้เหตุผลได้ ซึ่งทำให้ไม่น่าเป็นไปได้ที่องค์กรของพวกเขาจะขอให้พวกเขาทำสิ่งนั้นตั้งแต่แรก
และดังนั้น ผมจึงอยากพูดถึงคำศัพท์สามคำ คำแรกคือ คุณภาพ (Quality) หมายถึงการตรวจสอบทั้งหมดที่เราติดตั้งก่อนที่จะปล่อยให้ระบบทำงาน การตรวจสอบเหล่านั้นผลิตหลักฐาน (Evidence) และจากหลักฐานนั้น เราจะได้มาซึ่งคำตัดสิน (Verdict)
คำที่สอง คำตัดสิน (Verdict) หมายถึงการตัดสินใจขั้นสุดท้ายที่เราทำก่อนที่งานจะเข้าสู่ระบบที่เราพึ่งพา (Dependent System): ผมคือผู้ผลิตผลงานชิ้นนี้ (Line-producer) ผมบริหารทีมที่ทำงานภายใต้ชื่อของผม โมเดลอาจเขียนบรรทัด (Line) นั้น แต่คำตัดสิน (Verdict) เป็นของผม งานของทีมผมจะไม่เข้าสู่ระบบที่เราพึ่งพาหากปราศจากการตัดสินใจของผม คำตัดสินคือการตัดสินใจด้านการผลิต: เราควรส่งมอบ (Ship), ปิดกั้น (Block), เปลี่ยนเส้นทาง (Redirect), ทำให้การตอบสนองแคบลง (Narrow), เพิ่มราวกั้น (Guardrail), หรือปฏิเสธทันที (Reject outright)?
คำที่สาม ความสามารถในการตอบคำถาม (Answerability) หมายถึงการรับประกันว่าหากมีคนถาม ผมสามารถอธิบายได้ว่าทำไม
หากจะพูดอีกนัยหนึ่ง: ตัวแทนของเรา (ซึ่งผมให้นิยามว่าเป็นโมเดล บวกกับสายรัดของไฟล์, เครื่องมือ, หน่วยความจำ, ทักษะ, แซนด์บ็อกซ์, สิทธิ์อนุญาต, การสังเกตการณ์ได้ และการกู้คืน) คือสิ่งที่รันลูปของเรา (ซึ่งผมให้นิยามว่าเป็นการสอบสวน, การดำเนินการ, การตรวจสอบ และทำซ้ำ) และมันคือสิ่งที่สร้างโรงงานซอฟต์แวร์ของเรา
โมเดลเป็นเพียงเครื่องยนต์เท่านั้น สายรัด (Harness) - เครื่องมือ, หน่วยความจำ, สิทธิ์อนุญาต, แซนด์บ็อกซ์, การทดสอบ - คือรถที่คุณสร้างขึ้นรอบๆ เครื่องยนต์นั้น เพื่อให้มันสามารถทำงานจริงได้อย่างปลอดภัย
ห่อหุ้มสายรัดนั้นด้วยวงจรที่ทำซ้ำได้: สอบสวน, ดำเนินการ, ตรวจสอบ, ทำซ้ำ ลูปคือวิธีการที่การรันที่ดีครั้งหนึ่งกลายเป็นกระบวนการที่คุณวางใจให้รันซ้ำได้ ห่อหุ้มสายรัดนั้นด้วยวงจรที่ทำซ้ำได้ - สอบสวน, ดำเนินการ, ตรวจสอบ, ทำซ้ำ - โดยที่การตรวจสอบอย่างอิสระ ไม่ใช่คำพูดของโมเดลเอง เป็นผู้ตัดสินว่างานเสร็จสมบูรณ์เมื่อใด
ตอนนี้ให้รันหลายๆ ลูปพร้อมกัน โรงงานคือลูปในระดับขนาดใหญ่ (Loops at Scale) - ตัวแทนส่งมอบงานภายใน ในขณะที่มนุษย์เป็นเจ้าของการตัดสินใจที่ขอบเขต (Boundary)
และหัวใจของโรงงานนั้นคือขอบเขตที่ระมัดระวังระหว่างสิ่งที่อยู่ภายในระบบกับสิ่งที่อยู่ภายนอกระบบ ภายในระบบ: เรารวบรวมข้อมูลนำเข้า (จากความตั้งใจของทีมผลิตภัณฑ์, ความรู้เกี่ยวกับงานที่เคยส่งมอบแล้ว, หรือเหตุการณ์ล่าสุด, หรือข้อเสนอแนะเฉพาะจากผู้ใช้) ลูปของตัวแทนสืบสวนงาน ดำเนินการตามแผน และตรวจสอบผลลัพธ์ จากนั้น หลักฐานจะข้ามผ่านขอบเขตนั้น มนุษย์ซึ่งเป็นเจ้าของระบบที่พึ่งพา จะเห็นหลักฐานและตัดสินใจว่าจะดำเนินการต่อหรือไม่
และนั่นแหละ เพื่อนๆ คือการเปลี่ยนแปลงที่เรากำลังพยายามทำให้เกิดขึ้น ก่อนหน้านี้ ตัวแทนของเราทำลูปภายใน (Inner Loop) ของลูปการดำเนินการ (Execution Loop) ตอนนี้พวกเขารันลูปการดำเนินการภายใน (Inner Execution Loop) วิศวกรเป็นเจ้าของลูปภายนอก (Outer Loop)
ภายในระบบ มีเพียงสิ่งเดียวเท่านั้นที่ตัวแทนของเราทำ: ความสามารถ (Capability) ความสามารถในการสืบสวนงาน ดำเนินการตามแผน ทดสอบผลลัพธ์ และรายงานกลับ นั่นคือความสามารถของโมเดล และอย่างที่เราได้กล่าวไว้ อนาคตนั้นมาถึงแล้ว
ภายนอกระบบ มีเพียงสิ่งเดียวเช่นกัน: ตัวแทน (Agency) ตัวแทนในการตัดสินใจ ตรวจสอบ อนุมัติ และเป็นเจ้าของ
คุณเห็นไหมว่าเรายังคงพูดถึงโค้ดอยู่ มันแค่จำเป็นต้องอยู่ในสถานที่ที่เหมาะสม และถูกดำเนินการโดยคนที่รู้ว่ากำลังทำอะไรอยู่
ศักยภาพของโค้ด AI นั้นไม่ใช่เรื่องเล็กน้อยอีกต่อไป ในการสำรวจของ Sonar ปี 2026 เราถามทีมเกี่ยวกับสัดส่วนของ commits ที่ได้รับความช่วยเหลือจาก AI มันมีขนาดเล็กแต่ก็ไม่ใช่เรื่องเล็กน้อย และผู้ตอบแบบสอบถามหลายคนกล่าวว่าพวกเขาคาดว่าสัดส่วนของ commits ที่ได้รับความช่วยเหลือจาก AI จะเพิ่มขึ้นอย่างมีนัยสำคัญ รายงาน State of Code ปี 2026 ของ Sonar พบว่า 42% ของโค้ดที่ถูก commit นั้นสร้างโดย AI หรือได้รับความช่วยเหลือจาก AI อย่างมีนัยสำคัญ โดยมีความคาดหวังว่าสัดส่วนนั้นจะยังคงเติบโตต่อไปแทนที่จะคงที่
กล่าวอีกนัยหนึ่ง การสร้าง (Creation) กำลังถูกลง ทรัพยากรที่หายากขึ้นคือการทบทวน (Review), การตรวจสอบความถูกต้อง (Validation), ความเข้าใจ (Understanding), และการบำรุงรักษา (Maintenance)
เราเคลื่อนความเร็วของการสร้าง (Generation) ไปเร็วกว่าความเร็วของการควบคุม (Control) และดังนั้นเราจึงมีช่องว่างของความไว้วางใจ-การตรวจสอบ (Trust-Verification Gap) ผู้คนมากมายที่เราคุยด้วยยังคงแสดงความไม่ไว้วางใจในโค้ด AI ในระดับหนึ่ง ถึงกระนั้น มีเพียงไม่กี่คนที่ดูเหมือนจะสร้างความไม่ไว้วางใจนั้นให้เป็นส่วนหนึ่งของกระบวนการตรวจสอบของพวกเขาอย่างสม่ำเสมอ
และนั่นเป็นสถานที่ที่อันตรายในการอยู่ใน เราจะต้องมีวิธีที่ถูกกว่าและชัดเจนกว่าในการตรวจสอบความน่าเชื่อถือของโค้ด AI
หากคุณดูรายงานของ GitLab เดือนมิถุนายน 2026 คุณจะเห็นว่าคำถามเกี่ยวกับธรรมาภิบาล (Governance) ได้เปลี่ยนไป งานวิจัยด้านความรับผิดชอบของ AI เดือนมิถุนายน 2026 ของ GitLab แสดงให้เห็นว่าการทบทวนและการตรวจสอบความถูกต้องเป็นคอขวด (Bottlenecks) ในปัจจุบันเมื่อใช้ AI และที่น่ากังวลยิ่งกว่าคือ ธรรมาภิบาลมักจะเกิดขึ้นหลังจากสร้างโค้ดแล้ว หลังจากที่เรายอมรับความเสี่ยงและสูญเสียการควบคุมความเป็นเจ้าของไปแล้ว ทุกวันนี้ มันไม่ใช่แค่เรื่องของการควบคุมอีกต่อไป มันเกี่ยวกับข้อจำกัด (Constraints) ที่เรากำหนดบนระบบ มันเกี่ยวกับวิธีที่เราจะตรวจสอบงานด้วยหลักฐาน และวิธีที่เราจะทำให้ทีมรับผิดชอบ มันเกี่ยวกับว่าใครจะเป็นเจ้าของส่วนไหนของวงจรชีวิต AI
ดังนั้น ความแตกต่างสุดท้ายในซีรีส์นี้คือระหว่างกระบวนการ (Process) และคุณภาพ (Quality) คุณภาพคือแนวคิดของแรงต้านกลับ (Back Pressure) เราหมายถึงมันตามตัวอักษร เราไม่ต้องการให้อำนาจอิสระ (Autonomy) แก่ตัวแทนของเรามากเท่าที่พวกเขาสามารถใช้ได้ เราต้องการให้อำนาจอิสระแก่พวกเขาเพียงพอที่เราจะมีแรงต้านกลับมากพอที่จะหยุดพวกเขา ควบคุมพวกเขา ตรวจสอบงานของพวกเขา และรับประกันความเป็นมนุษย์ของเรา
วิศวกรรมทั่วไปมีสัญญาณ (Signals) มากมายที่บ่งชี้ว่างานที่ทำอยู่นั้นกำลังทำสิ่งที่ถูกต้อง การตรวจสอบชนิด (Type Checks), การทดสอบ (Tests), ฮุค (Hooks), การจำกัดแซนด์บ็อกซ์ (Sandbox Limits), บันทึกการตรวจสอบ (Audit Logs), การตรวจสอบ (Monitors) ระบบวิศวกรรมของเราเต็มไปด้วยสัญญาณประเภทนี้ และพวกมันถูกออกแบบมาเพื่อให้แรงต้านกลับเพียงพอที่จะทำให้ระบบซื่อสัตย์
และดังนั้น ตราบใดที่ตัวแทนของเราปล่อยสัญญาณเดียวกันเหล่านี้ เราก็สามารถไว้วางใจวิศวกรรมทั่วไปของเราเพื่อให้แรงต้านกลับที่เหมาะสมได้
การไว้วางใจระบบของเราไม่ได้หมายความว่าเราไม่ต้องการให้มนุษย์อยู่ในลูป มันแค่หมายความว่ามนุษย์ไม่จำเป็นต้องอยู่ในลูปภายใน เราต้องการให้พวกเขาอยู่ในลูปข้อจำกัด (Constraints Loop) (เราควรกำหนดอินพุต สถาปัตยกรรม คำสั่ง หรือค่าคงที่อะไรบ้าง?), ลูปการสุ่มตัวอย่าง (Sampling Loop) (เราควรสุ่มตัวอย่างและทบทวนผลลัพธ์มากน้อยแค่ไหน?), ลูปการตรวจสอบ (Audit Loop) (เราควรเก็บหลักฐานอะไรไว้ และเราจะทำให้แน่ใจได้อย่างไรว่าบันทึกการตรวจสอบของเรามีประสิทธิภาพ?), และลูปความเป็นเจ้าของ (Ownership Loop) (เราควรเป็นเจ้าของส่วนไหนของขอบเขตการผลิต)
แต่มนุษย์ไม่จำเป็นต้องอยู่ในลูปภายใน
ตัวแทนสามารถส่งมอบได้มากกว่าที่คุณจะทบทวนได้
และทรัพยากรที่หายากคือวิจารณญาณของมนุษย์ (Human Judgment) หลักของคุณ ซึ่งได้รับข้อมูลจากสัญญาณคุณภาพ เช่น บันทึก (Logs) หรือการทดสอบ (Tests)
รายงาน AI เดือนมิถุนายน 2026 แสดงให้เห็นว่า ในสภาพแวดล้อมการทดลอง การมอบหมายงานแบบตัวแทน (Agentic Delegation) ในกรอบเวลาระดับชั่วโมง (Hour-Scale Time Horizons) มาถึงแล้วจริงๆ งานของ OpenAI ในปีนี้เกี่ยวกับตัวแทนและอนาคตของการทำงาน เป็นแหล่งข้อมูลที่ดีเยี่ยมสำหรับแนวคิดเหล่านี้ ดังนั้นเราจึงจำเป็นต้องเริ่มคิดเกี่ยวกับวิธีสร้างขอบเขตความเป็นเจ้าของนี้ ในขณะที่ระบบของเราเริ่มส่งมอบมากกว่าที่เราจะทบทวนได้
และนั่นคือจุดที่ความสามารถในการตอบคำถามเข้ามามีบทบาท
เพราะด้วยตัวแทนระยะยาว (Long-Horizon Agents) การตัดสินใจที่เกิดขึ้นในกรอบเวลาระดับชั่วโมงนั้นก็คือการตัดสินใจ และไม่ใช่ทุกการตัดสินใจที่จะถูกบันทึกไว้ คุณไม่สามารถสืบย้อนพวกมันทั้งหมดกลับไปยังโทเค็นนำเข้า (Input Tokens) ได้ หากสิ่งที่คุณทำคือการไว้วางใจว่าผลลัพธ์ที่คุณได้รับนั้นเป็นทางเลือกที่ถูกต้องสำหรับปัญหาที่อยู่ในมือ นับร้อยหรือแม้กระทั่งนับพันชั่วโมงการทำงานของมนุษย์ที่คุณจะต้องใช้ในการสร้างห่วงโซ่การตัดสินใจที่นำไปสู่ผลลัพธ์นั้นขึ้นมาใหม่ก็จะเป็นไปไม่ได้ ดังนั้น อีกครั้งหนึ่ง ความสามารถในการตอบคำถามจึงกลายเป็นสิ่งที่ต้องเป็นแกนหลักของการออกแบบระบบของเรา
ต้นทุนแฝงสามประการ (Three Hidden Costs)
และมีต้นทุนแฝงอยู่สามประการ:
การยอมจำนนทางความคิด (Cognitive Surrender) ~ การยอมรับสิ่งที่ AI ให้คุณโดยปราศจากการคิดไตร่ตรอง เมื่อคุณมอบหมายงานให้ตัวแทน งานนั้นอาจดูเหมือนเป็นงานของตัวแทน แต่มันคืองานของคุณจริงๆ มันคือชื่อเสียงของคุณ มันคือความรับผิดชอบของคุณ และมันคือซอฟต์แวร์ของคุณที่ประสบกับข้อบกพร่องในผลลัพธ์ และมันคือซอฟต์แวร์ของคุณที่ต้องถูกเปลี่ยนแปลงเพื่อสะท้อนผลลัพธ์นั้น ดังนั้น ผลลัพธ์ของตัวแทนจึงกลายเป็นคำตอบของคุณ และมาพร้อมกับความรับผิดชอบทั้งหมด การศึกษาของ Wharton ที่รวบรวมสิ่งนี้ไว้ ให้ความมั่นใจเมื่อ AI ถูกต้อง แต่เมื่อมันผิด ข่าวก็ไม่ดีนัก เมื่อ AI ผิด เกือบสามในสี่ของผู้คนยังคงยอมรับมัน และรู้สึกมั่นใจมากกว่าที่พวกเขาจะรู้สึกหากไม่มี AI เสียอีก
หนี้ทางความคิด (Cognitive Debt) ~ การกัดกร่อนความเข้าใจและความทรงจำของคุณเกี่ยวกับวิธีการแก้ปัญหา เมื่อคุณมอบหมายงานให้ตัวแทน คุณกำลังถ่ายเทงานทางความคิดทั้งหมดไปให้ตัวแทน และในขณะที่การคิดทุกอย่างด้วยตัวเองต้องใช้เวลาและพลังงาน การคิดมันออกมาบนฐานโค้ดขนาดมหึมาก็ต้องใช้ทรัพยากรที่ไม่มีให้เมื่อคุณกำลังพยายามไต่ระดับการเรียนรู้ (Learning Curve) ดังนั้น ผลลัพธ์ที่คุณได้รับจึงมักจะไม่สามารถบรรลุได้โดยตัวคุณเอง และยิ่งกรอบเวลาของการวางแผนแบบตัวแทนนานเท่าไร ช่องว่างระหว่างโค้ดที่ตัวแทนสร้างขึ้นกับความเข้าใจของคุณเกี่ยวกับมันก็ยิ่งมากขึ้นเท่านั้น ช่องว่างนั้นทวีคูณ หนี้สินนั้นสะสม และต้นทุนของการไต่ระดับการเรียนรู้ก็เพิ่มขึ้นเกือบจะแบบทวีคูณ มี การทดลองแบบสุ่มที่มีกลุ่มควบคุมจาก Anthropic ที่ดูว่าวิศวกรที่พึ่งพา AI ในการเขียนโค้ดเข้าใจมันได้ดีเท่ากับวิศวกรที่เขียนโค้ดด้วยตัวเองหรือไม่ บทสรุปนั้นมืดมน: ในการทดสอบความเข้าใจ (Comprehension Quiz) วิศวกรที่ทำงานผ่าน AI ได้คะแนนต่ำกว่าผู้ที่ไม่ใช้ถึงสิบเจ็ดเปอร์เซ็นต์ คือ 50 เปอร์เซ็นต์ เทียบกับ 67 เปอร์เซ็นต์
และแล้วก็มี ภาษีการประสานงาน (Orchestration Tax) ~ มันง่ายที่จะสร้างตัวแทนจำนวนมากขึ้นตอนนี้ แต่แบนด์วิธทางความคิด (Cognitive Bandwidth) ของคุณไม่ได้ทำงานแบบขนานในลักษณะเดียวกัน การนำทางตัวแทนของคุณให้ห่างจากพฤติกรรมที่แย่ที่สุด การจัดเรียงงานที่ตัวแทนสร้างขึ้นเพื่อระบุงานที่ต้องการความสนใจของคุณ การชี้นำให้มันมุ่งเน้นไปที่งานที่คุณใส่ใจก่อน การตรวจสอบข้อจำกัดที่สำคัญที่สุดและสมมติฐานที่อันตรายที่สุดของคุณก่อนที่จะปล่อยให้มันทำงาน...
ทั้งหมดนั้นต้องใช้ความพยายาม และมันไม่สามารถทำให้เป็นอัตโนมัติได้
ไม่มีอะไรทดแทนวิจารณญาณของมนุษย์ได้
ระบบบราวน์ฟิลด์ (Brownfield Systems) เป็นอันตรายอย่างยิ่งที่นี่ เพราะพฤติกรรมของระบบที่คุณต้องตรวจสอบ (Audit) ไม่ได้อยู่ในโค้ด มันอยู่ในรอยแผลเป็น (Scars)
วิธีแก้ไข? ทำให้ความสนใจ (Attention) เป็นสิ่งสำคัญอันดับต้นๆ ในการตัดสินใจทางสถาปัตยกรรมของคุณ ใช้ Worktrees, Scopes และหลักฐานเพื่อลดความเชื่อมโยง (Coupling) ระหว่างแผนเริ่มต้นของคุณกับงานที่เกิดขึ้นจากแผนนั้น กำหนดกรอบเวลา (Time-box) ความพยายามในการแก้ไขขั้นตอนที่ไม่สามารถดำเนินการได้ และทำให้การเปลี่ยนแปลงในซอฟต์แวร์ของคุณเป็นสิทธิ์ที่ต้องเลือกเข้าร่วม (Opt-in Permission) อย่างเคร่งครัด
อัลฟา (Alpha), การเสื่อมถอย (Decay) และรสนิยม (Taste): สิ่งเหล่านี้คือสามรูปแบบหลักที่สร้างอาชีพและผลงานในทุกสาขา
อัลฟา (Alpha) คือส่วนนำที่ผู้ประสบความสำเร็จสูงสุดในการแข่งขันเป็นผู้รับผิดชอบ เมื่อคุณกำลังเล่นการเคลื่อนไหวที่มีคุณค่าสูงสุดของคุณ การเสื่อมถอย (Decays) คือรูปแบบที่ถูกกำหนดไว้แล้วที่ทุกคนเรียนรู้ผ่านการทำซ้ำและการดูผู้อื่น (ที่ราบสูง (Plateaus) ถ้าคุณชอบ) รสนิยม (Taste) คือความสามารถเร็วที่สุดที่เราสัมผัสได้ถึงความเป็นผู้นำในอัลฟาหรือการเปลี่ยนแปลงในการเสื่อมถอย มันคือการตัดสินของเราเกี่ยวกับสิ่งที่กำลังจะมาถึง ก่อนที่เราจะมีหลักฐานใดๆ ว่ามีอะไรเกิดขึ้น ประเด็นของ Paul Graham คือเมื่อทุกคนสามารถสร้างอะไรก็ได้ การเลือกสิ่งที่จะสร้างจึงมีความสำคัญมากขึ้น และคำจำกัดความของ Mitchell Hashimoto คือคำจำกัดความเชิงปฏิบัติการ: การตัดสินเชิงคุณภาพที่มีคุณภาพสูง ในกรณีที่ยังไม่มีเมตริกวัตถุวิสัย (Objective Metric) ใดๆ อยู่ จากนี้ไป รสนิยมขับเคลื่อนทุกสิ่ง: การเปลี่ยนแปลงของอัลฟาคือการเปลี่ยนแปลงของรสนิยม และการเสื่อมถอยจะจางหายไปเพราะเราเริ่มรับรู้รสชาติที่แตกต่างออกไป
ขั้นตอนต่อไป? ทำให้รสนิยมของคุณเป็นรูปเป็นร่าง (Operationalize) อย่างไร? ตั้งชื่อที่สะท้อนถึงสิ่งที่คุณกำลังพยายามย้ายจากลิมบิก (Limbic) ไปสู่จิตสำนึก (Conscious) ฝึกฝนมันในการวิจารณ์และตัวอย่าง ทำให้เหตุผลของมันชัดเจน
และจงเดินหมากที่ให้ความได้เปรียบทางการแข่งขันที่ยั่งยืนที่สุดในอุตสาหกรรมของคุณต่อไป อะไรคือสิ่งนั้น? จงยกระดับขอบ (Edge) ขึ้นจากการทำงานเพียงอย่างเดียว ไปสู่การสอนมัน ทำให้เป็นระบบ ตัดสินใจว่าควรทำเมื่อใด และเป็นเจ้าของผลลัพธ์
ทุกคนคือนักพัฒนา (Developer) แต่ไม่ใช่ทุกคนคือวิศวกร (Engineer) วิศวกรรมคือสิ่งที่นักพัฒนากลายเป็นเมื่อพวกเขายอมรับระเบียบวินัยในการทำงานที่เข้มงวดมากขึ้น: การให้เหตุผลอย่างถี่ถ้วนและสมเหตุสมผล การพิจารณาข้อจำกัดและการแลกเปลี่ยน (Tradeoffs) การรับรู้ถึงความเสี่ยงและการเปิดรับ (Exposure) และความรับผิดชอบในทางปฏิบัติ (Practical Accountability)
ในอนาคต ผู้คนจะละทิ้งงานธุรการของวิศวกรรม และเปิดรับบทบาทใหม่ที่เกิดขึ้นเมื่อวิศวกรรมมีความต้องการมากขึ้น บทบาทที่ถูกแยกออก (Un-bundled) จากจิตวิญญาณของงานฝีมือ แต่ทำให้ชัดเจนว่าแต่ละคนทำอะไร จะมีผู้ที่สร้างต้นแบบ (Prototype) ผู้ที่สร้าง (Build) ผู้ที่ทำความสะอาด (Sweep) ผู้ที่เติบโต (Grow) ผู้ที่บำรุงรักษา (Maintain)
มนุษย์เป็นผู้ยึดขอบของระบบในอีกทิศทางหนึ่งด้วย การเพิ่มอัลฟาในอีกทิศทาง: การเลือกสิ่งที่คุ้มค่าที่จะทำ การกำหนดข้อจำกัดที่ควรทำให้สำเร็จ การตัดสินว่าหลักฐานเพียงพอที่จะดำเนินการต่อหรือไม่ และการดูแลผลลัพธ์ ไม่ว่าจะเป็นทีมเดียวหรือร้อยทีม นี่คือขอบที่มีแต่มนุษย์เท่านั้นที่ยึดไว้ได้
ความรับผิดชอบ (Accountability) จะขยายขนาดของโรงงาน (Scale the Factory) เช่นเดียวกับความสนใจและรสนิยม ความรับผิดชอบก็เป็นหนึ่งในสามความเป็นคู่ (Dualities) ที่ทำให้ทุกอย่างทำงานได้ หากไม่มีความรับผิดชอบ ก็ไม่มีกฎเกณฑ์ ไม่มีการโต้แย้งกับผู้ตั้งคำถาม ไม่มีการแลกเปลี่ยน ไม่มีความเสี่ยง ไม่มีตาข่ายนิรภัย หากไม่มีใครเป็นเจ้าของผลที่ตามมาจากการตัดสินใจ ตัวแทนที่มีอำนาจสูง (High Agency) ก็จะนำมาซึ่งความโกลาหลเท่านั้น
ครึ่งชีวิต (Half-life) ของขอบคือหนึ่งการเผยแพร่ (One Release) แต่ครึ่งชีวิตของลายเซ็น (Signature) คืออาชีพการงาน (A Career) ลายเซ็นคือชื่อของคุณบนงาน เพื่อที่คุณจะรู้สึกว่าคุณสามารถยืนหยัดอยู่เบื้องหลังสิ่งที่ถูกส่งมอบ ทักษะทำให้คุณมีอำนาจต่อรอง (Leverage); ความรับผิดชอบเปลี่ยนอำนาจต่อรองให้เป็นความไว้วางใจ (Trust)
มีแต่มนุษย์เท่านั้นที่สามารถเลือกได้ มีแต่มนุษย์เท่านั้นที่สืบทอดผลที่ตามมา ตัวแทนสามารถถูกขอให้เลือก เส้นทาง (Route), รวม (Merge), และยกระดับ (Escalate) อย่างปลอดภัยภายในนโยบาย (Policy) แต่พวกมันไม่สามารถสืบทอดผลที่ตามมาได้
บางที ทุกฐานโค้ดควรมาพร้อมกับสัญญาความรับผิดชอบ (Accountability Contract) บางประเภทที่ระบุอย่างชัดเจนถึงรายการตรวจสอบ (Checklist) ที่ถูกเข้าใจเมื่อการเปลี่ยนแปลงได้รับการยอมรับ หลักฐานที่ใช้ในการตัดสินใจ ใครรับผิดชอบต่อการเปลี่ยนแปลง และสถานะของระบบหลังจากที่การเปลี่ยนแปลงถูกบล็อก เช่น:
- ความสนใจและรสนิยมของคุณ
- หลักฐาน คำตัดสิน และความเป็นเจ้าของของคุณ
- อัลฟา การเสื่อมถอย และรสนิยมของคุณ
ตัวแทนที่มีอำนาจสูง (High Agency)
ในเวิร์กโฟลว์แบบตัวแทนทั่วไป ตัวแทนที่มีอำนาจสูง (High Agency) คือศิลปะของการรู้ว่าเมื่อใดควรมอบหมาย เมื่อใดควรตรวจสอบ เมื่อใดควรหยุด และเมื่อใดควรเป็นเจ้าของผลลัพธ์ของกระบวนการ บันไดของอำนาจตัวแทน (Agency Ladder) ทอดยาวจากต่ำไปสูง: แจ้งถึงปัญหาที่อาจเกิดขึ้น, สืบสวนมัน, ดำเนินการกับมัน, วินิจฉัยมัน, เสนอวิธีแก้ปัญหา, แนะนำการแก้ไข, และแก้ไขปัญหา การก้าวขึ้นบันไดอำนาจตัวแทนขั้นสูงคือการวินิจฉัย: เจอมันแล้ว มันไม่คุ้มที่จะแก้ไข ไปต่อ
เสาหลักสิบสองต้นที่ค้ำจุนโรงงานซอฟต์แวร์ (The Twelve Pillars That Hold Up The Software Factory)
บราวน์ฟิลด์ (Brownfield) คือชายแดน (Frontier) สำหรับโรงงานที่หวังจะขยายขนาด นวัตกรรมเล็กๆ น้อยๆ ที่ชาญฉลาดเหล่านั้นอาจยังไม่รู้สึกมากนัก แต่สภาพแวดล้อมการผลิตนั้นยิ่งใหญ่ เมื่อสร้างระบบใหม่ทั้งหมด การวางแผนและใช้งานกลไกแรงต้านกลับที่เพียงพอทำได้ง่ายกว่ามากเพราะคุณควบคุมได้อย่างเต็มที่ อย่างไรก็ตาม เมื่อคุณเพิ่มตัวแทนอัจฉริยะ (Intelligent Agents) เข้าไปในระบบเดิม (Legacy System) มันเป็นคนละเรื่องกันโดยสิ้นเชิง
ระบบเดิมรวมถึงพฤติกรรมการผลิตทั้งหมด ความคาดหวังในอนาคตจากลูกค้า ประวัติการย้ายระบบ (Migration) ระยะเวลาของวงจรการเผยแพร่และงบประมาณ สมมติฐานที่ไม่ได้พูดออกมา (Unspoken Assumptions) กรณีขอบ (Edge Cases) ความผิดปกติของข้อมูล (Data Weirdness) ขั้นตอนการดำเนินงานตามคู่มือ (Runbook Procedurals) และรอยแผลเป็นทั้งหมดที่สะสมขึ้นโดยปราศจากความตั้งใจที่จะดูแลระบบ
การเป็นผู้พิทักษ์ (Steward) ของบราวน์ฟิลด์ต้องใช้รูปแบบของวิศวกรรมที่ทนทาน (Durable Engineering) ต้องทำงานเพื่อเปลี่ยนความรู้โดยปริยาย (Implicit Knowledge) ให้เป็นข้อจำกัดที่ชัดเจน (Explicit Constraints) ทำให้มันสอดคล้องกัน (Coherent) ทั่วทั้งทีมและผ่านรุ่นสู่รุ่น ทำให้ความรู้นั้นเป็นทางการ (Formalize) เป็นขั้นตอนการทดสอบ (Test Procedures) และข้อกำหนดเชิงหน้าที่ (Functional Specifications) และเชื่อมโยงความรู้นั้นกับหลักฐานที่เป็นวัตถุวิสัย (Objective Evidence) ทั้งหมดนี้ในขณะที่เปลี่ยนความล้มเหลวให้เป็นการเรียนรู้ที่มากขึ้น เพราะหากระบบไม่ได้รับการดูแลที่มันเคยได้รับมาตลอด ทุกอย่างจะพังทลายลงมา
งานใหม่คืองานจริง (New Work is Real Work)
งานจะน่าสนใจยิ่งขึ้นเมื่อคุณขยายขนาด เพราะเมื่อทุกอย่างอื่นถูกสร้างขึ้นแล้ว ผู้คนจะต้องการสร้างสิ่งใหม่ พวกเขาจะต้องการใช้ประโยชน์จากอัลฟาและรสนิยมที่พวกเขาพัฒนาผ่านฝีมือของพวกเขา เพื่อออกแบบลูปใหม่ที่สามารถต่อกิ่ง (Grafted) เข้ากับโรงงานซอฟต์แวร์ได้ หรือพวกเขาจะต้องการสร้างระบบกรีนฟิลด์ (Greenfield Systems) ที่ใช้ความรู้ทั้งหมดของโรงงานซอฟต์แวร์ไปกับความพยายามที่สง่างาม มีเจตนาดี และมีหลักการเพียงหนึ่งเดียว พวกเขาจะต้องการออกแบบและดำเนินการหลักฐานรูปแบบใหม่ที่จะยกระดับขึ้นสู่ระดับการตรวจสอบความถูกต้องสำหรับระบบใหม่ พวกเขาจะต้องการดูแลระบบบราวน์ฟิลด์ที่ตอนนี้ซับซ้อนมากจนต้องได้รับการเอาใจใส่อย่างทุ่มเท พวกเขาจะต้องการออกแบบและจัดการกลไกแรงต้านกลับแบบใหม่ พวกเขาจะต้องการออกแบบตัวแทนใหม่ และพวกเขาจะต้องการสร้างอำนาจตัวแทน (Agency)
และเมื่อพวกเขาทำเช่นนั้น พวกเขาจะเริ่มเห็นว่าทั้งหมดนี้คืองานจริง (Real Work) นั่นเป็นสิ่งที่ดี
ระบบอัตโนมัติสร้างคอขวด คอขวดในการผลิตที่คุ้มค่าแก่การเป็นเจ้าของ เพราะระบบอัตโนมัติทำให้เราควบคุมในระดับอุตสาหกรรมได้ แต่ก็มีคอขวดใหม่ที่เกิดขึ้นจากระดับอุตสาหกรรมเช่นกัน คอขวดเปลี่ยนจาก "เราสร้างสิ่งนี้ได้ไหม?" เป็น "สิ่งนี้ควรมีอยู่หรือไม่ และเราสามารถตอบแทนมันได้หรือไม่?"
สิ่งที่ผมเสนอก็คือโมเดลการดำเนินงานที่ใช้งานได้จริง (Practical Operating Model) สำหรับการขยายขนาดวิศวกรรมเชิงตัวแทน (Scaling Agentic Engineering) มีลูปภายในและลูปภายนอก ลูปภายในคือที่ที่งานถูกทำ ลูปถูกออกแบบมาให้เป็นอิสระมากที่สุดเท่าที่จะเป็นไปได้ ใส่การรับประกันคุณภาพ (Quality Assurances) และการตรวจสอบความถูกต้อง (Verification) ทั้งหมดไว้ภายในลูป เมื่อคุณออกแบบและตรวจสอบความถูกต้องของลูปเองแล้ว สิ่งเดียวที่เหลือให้ทำคือการให้อำนาจอิสระ (Grant Autonomy) โดยการวางกลไกแรงต้านกลับที่ทำหน้าที่ควบคุมอัตราการรันของลูปและขอบเขตการดำเนินการของมัน และวางมนุษย์ไว้ในตำแหน่งที่เหมาะสมของพวกเขา ในการตัดสินใจที่ถูกต้อง อย่าปฏิบัติต่อความเข้าใจ (Understanding) ในฐานะการส่งมอบงาน (Hand-off) หรือประตูการเผยแพร่ (Release Gate) แต่ให้เป็นจุดตัดสินใจ (Point of Decision) ที่มนุษย์เตรียมพร้อมที่จะให้ข้อมูลเชิงลึกของพวกเขา และจากนั้นสำหรับสิ่งประดิษฐ์ (Artifact) ทุกชิ้นที่มีอยู่และถูกป้อนกลับเข้าสู่การผลิตและสู่ทีมและวิศวกรใหม่ ทิ้งสิ่งประดิษฐ์ที่ดีกว่าไว้เบื้องหลัง
สร้างโรงงาน; รักษาระบบให้ทำงาน; ทำให้งานอ่านเข้าใจได้ ตรวจสอบได้ และมีเจ้าของ
ตัวแทนสามารถเขียนมันได้ แต่ก่อนที่มันจะถึงมือผู้ใช้ ใครสักคนต้องอธิบายว่าทำไมมันถึงควรมีอยู่ ทำไมมันถึงปลอดภัยพอที่จะเป็นส่วนหนึ่งของการผลิต และพวกเขาจะทำอย่างไรเมื่อมันผิดพลาด
นั่นคือวิศวกรรมเชิงตัวแทนที่ลูปภายนอก - นั่นคืองานในตอนนี้
Pangram ให้คะแนนบทความนี้ว่าเขียนโดยมนุษย์ 100%: https://www.pangram.com/history/ae6caccc-b70f-4336-a019-5c3411516871
